Die Vorhersage der durch Ereignisse ausgelösten Emotionen bei den Figuren einer Geschichte wird typischerweise als standardmäßige Mehrfach-Label-Klassifikationsaufgabe betrachtet, bei der die Labels gewöhnlich als anonyme Klassen behandelt werden, die vorhergesagt werden sollen. Dabei werden Informationen ignoriert, die möglicherweise bereits in den Emotionslabels selbst enthalten sind. Wir schlagen vor, die Semantik der Emotionslabels zu nutzen, um die Aufmerksamkeit eines Modells bei der Repräsentation der Eingabegeschichte zu leiten. Zudem beobachten wir, dass die durch ein Ereignis hervorgerufenen Emotionen oft miteinander korreliert sind: Ein Ereignis, das Freude auslöst, ist unwahrscheinlich, gleichzeitig Traurigkeit hervorzurufen. In dieser Arbeit modellieren wir die Label-Klassen explizit mittels Label-Embeddings und integrieren Mechanismen, die sowohl während des Trainings als auch während der Inferenz die Beziehungen zwischen den Labels verfolgen. Außerdem führen wir eine neue Semi-Supervision-Strategie ein, die die Korrelationen auf ungelabelten Daten regularisiert. Unsere empirischen Evaluationen zeigen, dass die Berücksichtigung der Label-Semantik konsistente Vorteile bringt, und wir erreichen eine Verbesserung der State-of-the-Art-Leistung bei einer Emotionsinferenz-Aufgabe.